ترجمه فارسی مقاله نسل سریع مسیرهای فضایی باور برای حداقل ناوبری حسگر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Fast End-to-End Generation of Belief Space Paths for Minimum Sensing Navigation
عنوان مقاله به فارسی نسل سریع مسیرهای فضایی باور برای حداقل ناوبری حسگر
نویسندگان Lukas Taus, Vrushabh Zinage, Takashi Tanaka, Richard Tsai
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Robotics,Machine Learning,روباتیک , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We revisit the problem of motion planning in the Gaussian belief space. Motivated by the fact that most existing sampling-based planners suffer from high computational costs due to the high-dimensional nature of the problem, we propose an approach that leverages a deep learning model to predict optimal path candidates directly from the problem description. Our proposed approach consists of three steps. First, we prepare a training dataset comprising a large number of input-output pairs: the input image encodes the problem to be solved (e.g., start states, goal states, and obstacle locations), whereas the output image encodes the solution (i.e., the ground truth of the shortest path). Any existing planner can be used to generate this training dataset. Next, we leverage the U-Net architecture to learn the dependencies between the input and output data. Finally, a trained U-Net model is applied to a new problem encoded as an input image. From the U-Net's output image, which is interpreted as a distribution of paths,an optimal path candidate is reconstructed. The proposed method significantly reduces computation time compared to the sampling-based baseline algorithm.

چکیده به فارسی (ترجمه ماشینی)

ما مسئله برنامه ریزی حرکت را در فضای اعتقاد گاوسی دوباره مرور می کنیم.با توجه به این واقعیت که بیشتر برنامه ریزان مبتنی بر نمونه گیری موجود به دلیل ماهیت بالا با ابعاد بالای مشکل از هزینه های محاسباتی بالا رنج می برند ، ما رویکردی را پیشنهاد می کنیم که از یک مدل یادگیری عمیق استفاده می کند تا نامزدهای بهینه را مستقیماً از توضیحات مشکل پیش بینی کند.رویکرد پیشنهادی ما شامل سه مرحله است.اول ، ما یک مجموعه داده آموزشی را تهیه می کنیم که شامل تعداد زیادی از جفت های ورودی و خروجی است: تصویر ورودی مشکل را برای حل (به عنوان مثال ، حالت های شروع ، حالت های هدف و مکان های مانع) رمزگذاری می کند ، در حالی که تصویر خروجی راه حل را رمزگذاری می کند (یعنی ،.حقیقت زمین کوتاهترین مسیر).از هر برنامه ریز موجود می توان برای تولید این مجموعه داده آموزشی استفاده کرد.در مرحله بعد ، ما از معماری U-Net استفاده می کنیم تا وابستگی های بین داده های ورودی و خروجی را بیاموزیم.سرانجام ، یک مدل u-net آموزش دیده برای یک مشکل جدید که به عنوان یک تصویر ورودی رمزگذاری شده است ، اعمال می شود.از تصویر خروجی U-NET ، که به عنوان توزیع مسیرها تعبیر می شود ، یک نامزد بهینه مسیر بازسازی می شود.روش پیشنهادی به طور قابل توجهی زمان محاسبه را در مقایسه با الگوریتم پایه مبتنی بر نمونه گیری کاهش می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.